【直方图的均衡化】

最新推荐文章于 2024-09-26 19:03:09 发布

是鱼不是魚

最新推荐文章于 2024-09-26 19:03:09 发布

阅读量762

点赞数 12

文章标签：机器学习人工智能

本文链接：https://blog.csdn.net/qq_54259059/article/details/139348970

版权

1 数学推导

1.1 符号说明如下

符号	含义
$D_A$	灰度变化前的灰度级
$D_B$	灰度变化后的灰度级，灰度变化为 $D_B=f(D_A)$
$H_A(D)$	灰度变化之前的直方图
$H_B(D)$	灰度变化之后的直方图
$D_m$	灰度级的个数
$A_0$	该图像中总的像素个数

1.2 推导

由于某一特定灰度级变化前后包含的像素总数量永远不变，所以可得：
$\int^{D_B+\Delta D_B}_{D_B}H_B(D_B)dD = \int^{D_A+\Delta D_A}_{D_A}H_A(D_A)dD$

当 $\Delta D_B \to 0 ，\Delta D_B \to 0$ 时，上式可变化为：
$H_B(D_B)\Delta D_B =H_A(D_A)\Delta D _A$
所以：
$H_B(D_B) = \frac{H_A(D_A)\Delta D _A}{\Delta D_B}$
由于 $\Delta D_B \to 0 ，\Delta D_B \to 0,D_B = f(D_A)$ ,所以：
$\frac{dD_B}{dD_A} = \frac{df(D_A)}{dD_A}=f'(D_A) \\ \ \\ \ H_B(D_B)= \frac{H_A(D_A)}{d D_B/dD_A} = \frac{H_A(D_A)}{f'(D_A)}$
推导至此，就可以很明显的看出变化前的直方图 $H_A(D)$ ，变化后的直方图 $H_B(D)$ 以及变化函数 $D_B=f(D_A)$ 之间的关系了😁。

再结合本章要讲的内容：直方图均衡化。想一下如何才能让原本分布不均匀的灰度经过变化后变得均匀呢？一个很简单的思想就是把变化后的直方图 $H_B(D)$ 设为一个定值，由于一共有 $A_0$ 个像素， $D_m$ 个灰度级。均衡化后最好的结果是每个灰度级的像素个数相同，即 $\frac{A_0}{D_m}$ ，根据上述说明，我们只需保证 $H_B(D)=\frac{A_0}{D_m}$ 即可，即：
$H_B(D)=\frac{A_0}{D_m}= \frac{H_A(D_A)}{f'(D_A)} \\ \downarrow \\ f'(D_A)=\frac{D_m}{A_0}H_A(D_A)$
想一下如何得到变化函数 $f$ 呢？当然跟简单，只需要对上述式子左右同时进行积分即可,即可得到：
$f(D_A) = \frac{D_m}{A_0}\sum^{D_A}_0 H_A(D_A)$
又由 $D_B=f(D_A)$ 可得：
$D_B= \frac{D_m}{A_0}\sum^{D_A}_0 H_A(D_A)$
这就完成了从原灰度级 $D_A$ 经过直方图均衡化新的灰度级 $D_B$ 的变化！